电流激励下HVDC用电容器噪声辐射比研究

文章提出了电流激励下电容器噪声辐射比的测试方法,在理论分析电容器噪声辐射特性的基础上,建立了半消声室内测量电容器噪声辐射比的测试系统,在电流激励下采用振声频响函数法得到电容器的噪声辐射指数曲线。最后,依据电容器噪声辐射指数曲线计算得到电容器表面噪声声压值,并与实测噪声声压值进行对比,验证了方法的准确性。     

矩形截面型材三维拉弯成形的回弹预测

设计了用于三维拉弯成形的、可重构的柔性模具,并采用支持向量回归机和有限元模拟对柔性三维拉弯成形的回弹进行预测.使用有限元法分析了对回弹量影响较大的6个因素(包括材料参数、几何参数和工艺参数),以及它们对回弹的影响趋势.选用这6个参数设计有限元三维拉弯模拟实验,并用模拟结果训练和检验支持向量回归机回弹预测模型.通过与广泛应用的神经网络预测方法的预测值和有限元模拟试验结果的比较,检验该回弹预测模型的准确性.研究发现,该模型与神经网络相比具有更高的准确度,在试验中根据该模型预测的回弹量对模具型面进行相应的补偿,可以有效地减小回弹和形状偏差.     

基于支持度矩阵Apriori算法的钻井隐患关联挖掘

运用数据挖掘技术研究钻井作业事故隐患的分布规律及其内在机理,是迫切需要解决的重要课题。针对冗余、复杂的钻井隐患数据在挖掘过程中频繁项集丢失及其生成效率低的问题,提出一种基于支持度矩阵的Apriori算法。首先,引入布尔矩阵来表示事务数据库,避免了数据库的重复扫描。其次,通过事务矩阵相乘构造支持度矩阵来获得支持度从而简化支持度计算方法。最后,对算法的连接策略进行优化,简化了频繁项集的生成过程,且在运算过程中不断约简矩阵结构。在UCI数据集上进行实验,证明了改进后的Apriori算法能有效地提高执行效率。将该算法应用于钻井历史隐患数据的关联挖掘,挖掘结果能为安全管理者提供科学的决策依据,实现对钻井作业事故隐患有效识别和风险控制,具有重要意义和推广应用价值。     

弹性支撑圆弧拱考虑几何缺陷的面内屈曲特性

通过变分原理推导了弹性支撑圆弧拱考虑几何缺陷时的平衡方程,得到了外荷载与径向位移和轴力的关系,以及圆弧拱发生跳跃和分岔屈曲的平衡条件．用解析法和有限元法分析了几何缺陷和弹性支撑刚度对面内稳定性的影响．研究结果表明,两种方法在展开角较小时吻合良好;几何缺陷对屈曲路径有一定的影响,而弹性支撑刚度对跳跃屈曲的路径和临界值均有...     

基于双支持向量机的偏二叉树多类分类算法

提出一种基于双支持向量机的偏二叉树多类分类算法,偏二叉树双支持向量机多类分类算法.该算法综合了二叉树支持向量机和双支持向量机的优势,实现了在不降低分类性能的前提下,大大缩短训练时间.理论分析和UCI（University of California Irvine）机器学习数据库数据集上的实验结果共同证明,偏二叉树双支持...     

基于矢量基学习的自适应迭代最小二乘支持向量机回归算法

为增强最小二乘支持向量机(LS-SVM)回归建模的稀疏性、鲁棒性和实时性,在加权LS-SVM的基础上,提出了基于矢量基学习的自适应迭代回归算法。在训练过程中,该算法通过矢量基学习和自适应迭代相结合的方法得到1个小的支持向量集,同时采用加权方法确定权值以减小训练样本中非高斯噪声的影响。回归学习和动态系统辩识的仿真结果表明:在回归建模精度相似的情况下,该算法确定的支持向量为全部学习样本的4.9%~8.9%,训练时间为标准LS-SVM的0.011%~0.383%;由于能够鲁棒跟踪时变非线性系统的动态特性,适合在线实时训练;可进一步用于非线性系统的建模和实时控制研究。     

一种实现NGOSS分布式自动化测试的方法

为了测试复杂的新一代运营软件和系统(NGOSS),对NGOSS的体系架构和现有的分布式自动化测试方法进行了研究。针对NGOSS的特点,综合现有的分布式自动化测试方法理论,提出了一种适用于NGOSS的分布式自动化测试方法(DATS),该方法主要利用开源的软件测试自动化框架/执行引擎(STAF/STAX)实现测试用例与测试框架的分离,自动分发并执行测试用例,监控运行过程以及自动收集测试结果和日志,最后由测试代理机发送结果和日志到控制中心,显示给开发和测试人员。该方法解决了测试工具的跨平台性差、可扩展性低、软件缺陷追踪难及日志管理复杂等问题。通过原型系统验证了该方法的有效性。     

基于支持向量机算法和其他算法在文本分类中的性能比较

分析了几种典型的文本分类算法的特点.其中,支持向量机算法具有最优性能,但处理大量数据时,耗时比较大;K-NN方法与K值的选取有很大关系,而且实时性不够良好;朴素贝叶斯方法在实际应用中可以得到比较好的效果;神经网络方法提供了比较容易的方式预测非线性系统,训练过程很慢,不能适应大数据量的学习.     

机器学习模型在地下水埋深模拟中的适应性分析

基于京津冀气象、社会资料及地下水埋深数据,构建支持向量机(SVM)、循环神经网络(RNN)和长短期记忆神经网络(LSTM)模型对京津冀地区13个城市地下水埋深进行了模拟,并以确定系数、均方根误差、平均绝对百分比误差、纳什系数对3个模型的适应性进行了评价。结果表明：LSTM模型模拟效果最好,其次是RNN,SVM最差;不同城市基于LSTM模型进行地下水埋深模拟时参数调整最少,适应性最好,SVM模型参数调整最多。将3个模型应用于随机选择的6个测站进行验证,在华北地区浅层地下水埋深模拟方面,LSTM模型模拟精度和可信度最好,适应性最强,是该地区地下水埋深模拟的首选机器学习模型。     

基于GA-SVM模型的虹膜质量评估方法

针对虹膜图像质量评价过程中存在的如何选取适量的评价因子、 如何降低评价因子的计算量、 如何对评价因子进行有效融合等问题, 提出一种基于遗传算法支持向量机（GA-SVM）模型和多测度评价指标的虹膜图像质量评估方法. 首先对虹膜图像进行清晰度质量评价, 粗略筛除模糊图像; 然后选用4个评价指标, 利用GA-SVM模型对评价指标值进行有效融合, 以综合评价虹膜图像质量; 最后将该方法在吉林大学第六代虹膜库中进行验证, 并与其他经典评价方法进行对比. 实验结果表明, 该方法能提高可用虹膜存活率, 并达到较好的识别精度, 同时提升系统运行速度.